1 Visualização de Dados

Livro :R for Data Science 1

Neste segundo capítulo os autores nos ensinam como visualizar dados utilizando ggplot2 e apresenta o conceito de gramática dos gráficos e como criar plots em camadas.

Importando o pacote tidyverse para que nos fornece o ggplot2 entre outros :

library(tidyverse)

1.1 Usando o primeiro gráfico para responder algumas perguntas :

1. Carros com motores maiores consomem mais combustível que carros com motores menores ?

  • displ : engine size em litros

  • hwy : eficiencia em miles per gallon (mpg), um carro com baixa eficiencia consome mais combustivel .

    Resposta: Podemos observar essa relação que é de conhecimento comum que carros com menor eficiência com relação a combustível hwy tem os maiores motores displ

2. Qual o relacionamento entre engine size (displ) e efficience (hwy) ?

Resposta: Relaçao negativa entre as duas variáveis, ou seja, carros com engines maiores são menos eficientes e usam mais combustível

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy))

1.1.1 Exercícios 3.2.4

1.1.1.1

Pergunta :Run ggplot(data = mpg). What do you see?

Resposta: essa primeira parte só monta a área do gráfico

ggplot(data = mpg)

1.1.1.2

Pergunta : How many rows are in mpg? How many columns?

Resposta : O dataframe mpg tem 11 colunas e 234 observações ou linhas

ncol(mpg)
## [1] 11
nrow(mpg)
## [1] 234

Outra forma de observar é utilizando a função glimpse() que oferece além do número de linhas e colunas, tipos das variáveis e exemplos de observações:

glimpse(mpg)
## Rows: 234
## Columns: 11
## $ manufacturer <chr> "audi", "audi", "audi", "audi", "audi", "audi", "audi", …
## $ model        <chr> "a4", "a4", "a4", "a4", "a4", "a4", "a4", "a4 quattro", …
## $ displ        <dbl> 1.8, 1.8, 2.0, 2.0, 2.8, 2.8, 3.1, 1.8, 1.8, 2.0, 2.0, 2…
## $ year         <int> 1999, 1999, 2008, 2008, 1999, 1999, 2008, 1999, 1999, 20…
## $ cyl          <int> 4, 4, 4, 4, 6, 6, 6, 4, 4, 4, 4, 6, 6, 6, 6, 6, 6, 8, 8,…
## $ trans        <chr> "auto(l5)", "manual(m5)", "manual(m6)", "auto(av)", "aut…
## $ drv          <chr> "f", "f", "f", "f", "f", "f", "f", "4", "4", "4", "4", "…
## $ cty          <int> 18, 21, 20, 21, 16, 18, 18, 18, 16, 20, 19, 15, 17, 17, …
## $ hwy          <int> 29, 29, 31, 30, 26, 26, 27, 26, 25, 28, 27, 25, 25, 25, …
## $ fl           <chr> "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "…
## $ class        <chr> "compact", "compact", "compact", "compact", "compact", "…

1.1.1.3

Pergunta: #### What does the drv variable describe? Read the help for ?mpg to find out.

Resposta: drv: the type of drive train, where f = front-wheel drive, r = rear wheel drive, 4 = 4wd

?mpg

1.1.1.4

Pergunta: Make a scatterplot of hwy vs cyl.

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = hwy, y= cyl))

1.1.1.5

Pergunta: What happens if you make a scatterplot of class vs drv? Why is the plot not useful?

Resposta: Utilizando a função glimpse percebemos que drv e calss são do tipo <chr> que significa categórico, ou seja plotar um scatterplot de dados categóricos não fornece nenhuma informação útil.

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = class, y= drv))

Na documentação do ggplot tem a função geom_count, plotando esse gráfico ele nos fornece algumas informações mais interessantes

ggplot(data = mpg, aes(x = class, y = drv))+
  geom_count()

1.2 Aesthetic Mapping

Aesthetic é uma propriedade visual do objeto no plot, podemo adicionar funções que destacam o tamanho, shape ou cor.

Utilizando aesthetic color mapeando a classe o ggplot automaticamente cria uma legenda e atribuiu uma cor específica para cada tipo de classe, processo chamado de scaling

ggplot(data = mpg)+
  geom_point(mapping = aes(x= displ, y= hwy, color=class))

Além de color podemos utilizar size, outras opções são alpha e shape .

ggplot(data = mpg)+
  geom_point(mapping = aes(x= displ, y= hwy, size=class))
## Warning: Using size for a discrete variable is not advised.

1.2.1 Exercícios 3.3.1

1.2.1.1

Pergunta : What’s gone wrong with this code? Why are the points not blue?

Resposta : blue é intepretado como uma variável por isso o ggplot não identificou a cor, para modificar a cor do gráfico pode-se adicionar color fora do aes

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, color = "blue"))

Fix: Incluindo a cor fora do aes

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy), color = "blue")

1.2.1.2

Pergunta : 2. Which variables in mpg are categorical? Which variables are continuous? (Hint: type ?mpg to read the documentation for the dataset). How can you see this information when you run mpg?

glimpse(mpg)
## Rows: 234
## Columns: 11
## $ manufacturer <chr> "audi", "audi", "audi", "audi", "audi", "audi", "audi", …
## $ model        <chr> "a4", "a4", "a4", "a4", "a4", "a4", "a4", "a4 quattro", …
## $ displ        <dbl> 1.8, 1.8, 2.0, 2.0, 2.8, 2.8, 3.1, 1.8, 1.8, 2.0, 2.0, 2…
## $ year         <int> 1999, 1999, 2008, 2008, 1999, 1999, 2008, 1999, 1999, 20…
## $ cyl          <int> 4, 4, 4, 4, 6, 6, 6, 4, 4, 4, 4, 6, 6, 6, 6, 6, 6, 8, 8,…
## $ trans        <chr> "auto(l5)", "manual(m5)", "manual(m6)", "auto(av)", "aut…
## $ drv          <chr> "f", "f", "f", "f", "f", "f", "f", "4", "4", "4", "4", "…
## $ cty          <int> 18, 21, 20, 21, 16, 18, 18, 18, 16, 20, 19, 15, 17, 17, …
## $ hwy          <int> 29, 29, 31, 30, 26, 26, 27, 26, 25, 28, 27, 25, 25, 25, …
## $ fl           <chr> "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "…
## $ class        <chr> "compact", "compact", "compact", "compact", "compact", "…

Categórica : manufacturer, model, trans, drv, fl, class

Contínua : displ, year, cyl, cty, hwy

1.2.1.3

Pergunta : Map a continuous variable to color, size, and shape. How do these aesthetics behave differently for categorical vs. continuous variables?

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ,  y = hwy, color = displ))

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ,  y = hwy, color = class))

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ,  y = hwy, size = displ))

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ,  y = hwy, shape = fl))

1.2.1.4 

**Pergunta :** 4. What happens if you map the same variable to multiple aesthetics?
ggplot(mpg, aes(x = displ, y = hwy, colour = hwy, size = displ)) +
  geom_point()

1.2.1.5

Pergunta :5. What does the stroke aesthetic do? What shapes does it work with? (Hint: use ?geom_point)

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ,  y = hwy, stroke =8 ))

1.2.1.6

Pergunta : What happens if you map an aesthetic to something other than a variable name, like aes(colour = displ < 5)? Note, you’ll also need to specify x and y.

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ,  y = hwy, color= displ < 5))

1.3 Facet

O autor destaca que outra forma de observar variáveis categóricas é dividir o gráfico em facet, ou seja, criar subplots para cada tipo da variável. A função utilizada é a facet_wrap().

ggplot(data = mpg, aes(x=displ, y=hwy))+
  geom_point() +
  facet_wrap(~ class, nrow = 2)

Para combinar duas variáveis com facet utilizamos o facet_grid()

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ , y = hwy)) + 
  facet_grid(drv ~ cyl)

ggplot(data = mpg)+
  geom_point(mapping = aes(x = displ , y = hwy)) + 
  facet_grid(drv ~ .)

1.3.1 Exercícios 3.5.1

1.3.1.1

Pergunta : 1. What happens if you facet on a continuous variable?

Resposta : Na minha opinião , não é gráfico muito últil ter uma variável continua no facet, pois ele irá dividir o gráfico em muitas camadas.

ggplot(data = mpg, aes(x=displ, y=hwy))+
  geom_point() +
  facet_wrap(~ cty, nrow = 2)

#glimpse(mpg)

1.3.1.2

Pergunta : What do the empty cells in plot with facet_grid(drv ~ cyl) mean? How do they relate to this plot?

Resposta : 

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = drv, y = cyl))

1.3.1.3

Pergunta : What plots does the following code make? What does . do?

Resposta : Define em qual axis e qual variável você quer observar.

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_grid(drv ~ .)

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_grid(. ~ cyl)

1.3.1.4

Pergunta :4. Take the first faceted plot in this section:

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy)) + 
  facet_wrap(~ class, nrow = 2)

What are the advantages to using faceting instead of the colour aesthetic? What are the disadvantages? How might the balance change if you had a larger dataset?

Resposta : A vantagem de usar facet em relação a aes é porque você pode observar cada classe de forma isolada, já com color as cores se misturam e não fica claro cada grupo, outro detalhe é se tivermos muitos grupos/classes complica mais a identificação de cada grupo. Casos de datasets muito grandes ou com diversas classes devemos podemos tentar filtrar por grupos, ou então teremos um facet com muitas camadas, e caso utilize colour não terá cores para todos os tipos.

1.3.1.5

Pergunta : Read ?facet_wrap. What does nrow do? What does ncol do? What other options control the layout of the individual panels? Why doesn’t facet_grid() have nrow and ncol arguments?**

Resposta : ncol e nrow especifica o número de colunas ou linhas que irá dividir seu subplot, outras opções para controlar o layout são : scales, shrink.

1.3.1.6

Pergunta :6. When using facet_grid() you should usually put the variable with more unique levels in the columns. Why?**

Resposta : Para não ter diversas subdivisoes no plot

1.4 Geometric Objects

geoms são normalmente conhecidos por tipos de gráficos como bar chart, line chart, , boxplot, scatterplot, etc. Cada um desses tipos de gráficos tem seu proprio geom .

ggplot(data = mpg) + 
  geom_smooth(mapping = aes(x = displ, y = hwy))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Adicionando linetype , com isso o ggplot irá separar os carros em 3 categorias de drv :

ggplot(data = mpg) + 
  geom_smooth(mapping = aes(x = displ, y = hwy , linetype= drv))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Podemos adicionar uma camada de geom em cima da outra, combinado o gráfico de linhas com o scatterplot

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, color = drv)) +
  geom_smooth(mapping = aes(x = displ, y = hwy , linetype= drv, color = drv))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Uma das opções do geom_smooth é utilizar as opções de group e color para plotar variáveis categóricas :

ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy, group = drv))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot(data = mpg) +
  geom_smooth(
    mapping = aes(x = displ, y = hwy, color = drv),
    show.legend = FALSE
  )
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Para evitar que se duplique informação no gráfico adicionando geoms podemos tratar o mappting na parte global do ggplot

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point() + 
  geom_smooth()
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Sobrescrevendo o mapping, neste caso o color para variável class será aplicado somente a camada de scatterplo:

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point(mapping = aes(color = class)) + 
  geom_smooth()
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Filtrando os dados para alguma camada de plot :

ggplot(data = mpg, mapping = aes(x = displ, y = hwy))+
  geom_point(mapping = aes(color = class))+
  geom_smooth(data = filter(mpg, class == 'subcompact'), se = FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

1.4.1 Exercícios 3.6.1

1.4.1.1

Pergunta : What geom would you use to draw a line chart? A boxplot? A histogram? An area chart?

Resposta : line chart : geom_line() boxplot : geom_boxplot() histogram: geom_histogram() area chart: geom_area()

1.4.1.2

Pergunta :Run this code in your head and predict what the output will look like. Then, run the code in R and check your predictions.

Resposta : Na parte global irá criar um gráfico com x e y destacando cores por drv, adicionado um scatterplot e um smooth. So depois de rodar que identifiquei que o se=FALSE removeu o intervalo de confiança do smooth

ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv)) + 
  geom_point() + 
  geom_smooth(se = FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

1.4.1.3

PerguntaWhat does show.legend = FALSE do? What happens if you remove it? Why do you think I used it earlier in the chapter?

Resposta : remove e legenda, se remoer irá criar uma legenda.

1.4.1.4

Pergunta : What does the se argument to geom_smooth() do?

Resposta : Habilita ou não o intervalo de confiança no gráfico

1.4.1.5

Pergunta :Will these two graphs look different? Why/why not? Resposta :**O resultado será o mesmo, mas com informação duplicada

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point() + 
  geom_smooth()
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot() + 
  geom_point(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_smooth(data = mpg, mapping = aes(x = displ, y = hwy))
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

1.4.1.6

Pergunta: Recreate the R code necessary to generate the following graphs.

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point() + 
  geom_smooth(se=FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot(data = mpg, mapping = aes(x = displ, y = hwy, group = drv)) + 
  geom_point() + 
  geom_smooth(se = FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv)) + 
  geom_point() + 
  geom_smooth(se = FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point(mapping = aes(color = class)) + 
  geom_smooth(se = FALSE)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

1.5 Transformações Estatísticas

Nesta parte do capítulo somos apresentados ao dataset diamonds que contém cerca de ~54k informações sobre diamantes, detalhes como preço, cor, claridade, etc.

Utilizando geom_bar mapeando o eixo X agrupando pela variável cut podemos ver o numéro total de diamantes, como o geom_bar usa stat_count(), podemos até usar essa função no lugar de geom_bar().

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut))

Como podemos ver nesse gráfico no eixo X é computado a quantidade por agrupamento, outros gráficos apresentam valores computados como :

  • Bar chart, histograms and frequêncy compute te counts
  • smoothers realiza o fit nos dados
  • boxplots computa a distribuição estatística

1.5.1 Exercícios 3.7.1

1.5.1.1

Pergunta : 1. What is the default geom associated with stat_summary()? How could you rewrite the previous plot to use that geom function instead of the stat function?

Resposta : Verificando a documentação com ?stat_summary() o default geom é o geom = "pointrange", para sobrescrever podemos usar o parametro geom

1.5.1.2

Pergunta :What does geom_col() do? How is it different to geom_bar()?

Resposta : São os dois gipos de gráficos de barras, a diferença é que usamos geom_bar quando queremos o peso das barras proporcional ao numero de casos em cada grupo, já o geom_col os pesos representam os valores em dados.

1.5.1.3

Pergunta: Most geoms and stats come in pairs that are almost always used in concert. Read through the documentation and make a list of all the pairs. What do they have in common?

Resposta : A tabela completa esta em ggplot2 reference

geom stat
* geom_bar() stat_count()
* geom_bin2d() stat_bin_2d()
* geom_boxplot() stat_boxplot()
* geom_contour_filled() stat_contour_filled()
* geom_contour() stat_contour()
* geom_count() stat_sum()
* geom_density_2d() stat_density_2d()
* geom_density() stat_density()
* geom_dotplot() stat_bindot()
* geom_function() stat_function()
* geom_sf() stat_sf()
* geom_sf() stat_sf()
* geom_smooth() stat_smooth()
* geom_violin() stat_ydensity()
* geom_hex() stat_bin_hex()
* geom_qq_line() stat_qq_line()
* geom_qq() stat_qq()
* geom_quantile()

1.5.1.4

Pergunta : What variables does stat_smooth() compute? What parameters control its behaviour?

Resposta : geom é o parametro que contra os cálculos , stat_smooth calcula uma previsão da variável y .

1.5.1.5

Pergunta :5. In our proportion bar chart, we need to set group = 1. Why? In other words what is the problem with these two graphs?

Resposta: Se group=1 não for utilizado todos as barras terão o mesmo tamanho

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, y = ..prop..))

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, fill = color, y = ..prop..))

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, y = ..prop.., group = 1))

ggplot(data = diamonds) + 
  geom_bar(aes(x = cut, y = ..count.. / sum(..count..), fill = color))

1.6 Position adjustments

Podemos adicionar cores em barchats utilizando colour = <variável> ou fill = <variável>, sendo que o comando fill é mais útil, poís é mais fácil de ler e identificar as cores e grupos

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, colour = cut))

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, fill = cut))

O parâmetro position oferece três opções de formatação, sendo “identity”, “dodge” ou “fill”.

identinty

ggplot(data = diamonds, mapping = aes(x = cut, fill = clarity)) + 
  geom_bar(alpha = 1/5, position = "identity")

Para que seja possivel identificar as classes é preciso adicionar um alpha para poder ver a sobreposição, apesar de bonito não é muito funcional

fill

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, fill = clarity), position = "fill")

Utilizando fill já fica mais fácil identificar cada grupo.

dodge

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut, fill = clarity), position = "dodge")

Na minha opinião a opção dodge é a forma de visualização mais amigável.

1.6.1 Exercícios 3.8.1

1.6.1.0.1

Pergunta : What is the problem with this plot? How could you improve it?

ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) + 
  geom_point()

Resposta : temos muitos poucos pontos, podemos utilizar a função position = "jitter" para mostrar todos os pontos

ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) + 
  geom_point(position = "jitter")

1.6.1.1

Pergunta : What parameters to geom_jitter() control the amount of jittering?

Resposta : geom_jitter é um shortcut de geom_point(position="jitter") que controla width e height

1.6.1.2

Pergunta : Compare and contrast geom_jitter() with geom_count().

ggplot(data = mpg , mapping = aes(x = cty, y = hwy)) +
  geom_jitter() +
  ggtitle("Gráfico com geom_jitter()")

ggplot(data = mpg , mapping = aes(x = cty, y = hwy)) +
  geom_count()+
  ggtitle("Gráfico com geom_count()")

1.6.1.3

Pergunta : What’s the default position adjustment for geom_boxplot()? Create a visualisation of the mpg dataset that demonstrates it.

Resposta : Verificando o help a position default é o position = "dodge2", adicionando class podemos observar o comportamento.

ggplot(data = mpg, mapping = aes(x = drv, y = hwy, colour = class))+
  geom_boxplot()

1.7 Coordinate systems

Utilizando para manipular os eixos X e Y com a função :

* `coord_flip()` : que troca o eixo X pelo Y  
* `coord_quickmap()` : manipula ratios dos mapas
* `coord_polar()` : manipulação de coordenadas

1.7.1 Exercícios 3.9.1

1.7.1.1

Pergunta : Turn a stacked bar chart into a pie chart using coord_polar().

ggplot(data = mpg, mapping = aes(x = cyl, fill=drv))+
  geom_bar()+
  coord_polar()
## Warning: position_stack requires non-overlapping x intervals

1.7.1.2

Pergunta :What does labs() do? Read the documentation. Resposta : Modifica axis, legenda e labels

ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +
  geom_boxplot() +
  coord_flip() +
  labs(y = "Highway MPG",
       x = "Class",
       title = "Highway MPG by car class",
       subtitle = "1999-2008",
       caption = "Source: http://fueleconomy.gov")

1.7.1.3

Pergunta : What’s the difference between coord_quickmap() and coord_map()?

Resposta : Basicamente definem a forma de projeção do mapa

1.7.1.4

Pergunta : What does the plot below tell you about the relationship between city and highway mpg? Why is coord_fixed() important? What does geom_abline() do?

Resposta : O gráfico abaixo nos mostra o relacionamento entre as duas variáveis e o coord_fixed ajusta o ratio dos eixos X,Y, a função geom_abline() adiciona uma linha de referência ao plot, facilitando a analise.

ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) +
  geom_point() + 
  geom_abline() +
  coord_fixed()

1.8 The layered grammar of graphics

ggplot(data = <DATA>) + 
  <GEOM_FUNCTION>(
     mapping = aes(<MAPPINGS>),
     stat = <STAT>, 
     position = <POSITION>
  ) +
  <COORDINATE_FUNCTION> +
  <FACET_FUNCTION>

  1. R for Data Science https://r4ds.had.co.nz/index.html↩︎